Pytorch中torch.flatten()和torch.nn.Flatten()實(shí)例詳解
torch.flatten(x)等于torch.flatten(x，0)默認(rèn)將張量拉成一維的向量，也就是說(shuō)從第一維開始平坦化，torch.flatten(x，1)代表從第二維開始平坦化。
import torch
x=torch.randn(2,4,2)
print(x)
z=torch.flatten(x)
print(z)
w=torch.flatten(x,1)
print(w)
輸出為：
tensor([[[-0.9814, 0.8251],
[ 0.8197, -1.0426],
[-0.8185, -1.3367],
[-0.6293, 0.6714]],
[[-0.5973, -0.0944],
[ 0.3720, 0.0672],
[ 0.2681, 1.8025],
[-0.0606, 0.4855]]])
tensor([-0.9814, 0.8251, 0.8197, -1.0426, -0.8185, -1.3367, -0.6293, 0.6714,
-0.5973, -0.0944, 0.3720, 0.0672, 0.2681, 1.8025, -0.0606, 0.4855])
tensor([[-0.9814, 0.8251, 0.8197, -1.0426, -0.8185, -1.3367, -0.6293, 0.6714]
,
[-0.5973, -0.0944, 0.3720, 0.0672, 0.2681, 1.8025, -0.0606, 0.4855]
])torch.flatten(x,0,1)代表在第一維和第二維之間平坦化
import torch
x=torch.randn(2,4,2)
print(x)
w=torch.flatten(x,0,1) #第一維長(zhǎng)度2，第二維長(zhǎng)度為4，平坦化后長(zhǎng)度為2*4
print(w.shape)
print(w)
輸出為：
tensor([[[-0.5523, -0.1132],
[-2.2659, -0.0316],
[ 0.1372, -0.8486],
[-0.3593, -0.2622]],
[[-0.9130, 1.0038],
[-0.3996, 0.4934],
[ 1.7269, 0.8215],
[ 0.1207, -0.9590]]])
torch.Size([8, 2])
tensor([[-0.5523, -0.1132],
[-2.2659, -0.0316],
[ 0.1372, -0.8486],
[-0.3593, -0.2622],
[-0.9130, 1.0038],
[-0.3996, 0.4934],
[ 1.7269, 0.8215],
[ 0.1207, -0.9590]])對(duì)于torch.nn.Flatten()，因?yàn)槠浔挥迷谏窠?jīng)網(wǎng)絡(luò)中，輸入為一批數(shù)據(jù)，第一維為batch，通常要把一個(gè)數(shù)據(jù)拉成一維，而不是將一批數(shù)據(jù)拉為一維。所以torch.nn.Flatten()默認(rèn)從第二維開始平坦化。
import torch
#隨機(jī)32個(gè)通道為1的5*5的圖
x=torch.randn(32,1,5,5)
model=torch.nn.Sequential(
#輸入通道為1，輸出通道為6，3*3的卷積核，步長(zhǎng)為1，padding=1
torch.nn.Conv2d(1,6,3,1,1),
torch.nn.Flatten()
)
output=model(x)
print(output.shape) # 6*（7-3+1）*（7-3+1）
輸出為：
torch.Size([32, 150])
總結(jié)
到此這篇關(guān)于Pytorch中torch.flatten()和torch.nn.Flatten()的文章就介紹到這了,更多相關(guān)Pytorch torch.flatten()和torch.nn.Flatten()內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
Python破解BiliBili滑塊驗(yàn)證碼的思路詳解(完美避開人機(jī)識(shí)別)
這篇文章主要介紹了Python破解BiliBili滑塊驗(yàn)證碼的思路，本文通過(guò)實(shí)例代碼給大家介紹的非常詳細(xì)，具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2020-02-02
本篇文章主要介紹了Python3安裝Scrapy的方法步驟，小編覺(jué)得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過(guò)來(lái)看看吧2017-11-11
python模塊簡(jiǎn)介之有序字典（OrderedDict）
字典是Python開發(fā)中很常用的一種數(shù)據(jù)結(jié)構(gòu)，但dict有個(gè)缺陷（其實(shí)也不算缺陷），迭代時(shí)并不是按照元素添加的順序進(jìn)行，可能在某些場(chǎng)景下，不能滿足我們的要求。2016-12-12
python基于event實(shí)現(xiàn)線程間通信控制
這篇文章主要介紹了python基于event實(shí)現(xiàn)線程間通信控制,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2020-01-01
Django正則URL匹配實(shí)現(xiàn)流程解析
這篇文章主要介紹了Django正則URL匹配實(shí)現(xiàn)流程解析,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2020-11-11
Python Pydantic進(jìn)行數(shù)據(jù)驗(yàn)證的方法詳解
在 Python 中,有許多庫(kù)可用于數(shù)據(jù)驗(yàn)證和處理,其中一個(gè)流行的選擇是 Pydantic,下面就跟隨小編一起學(xué)習(xí)一下Pydantic 的基本概念和用法吧2024-01-01
Python數(shù)據(jù)分析之彩票的歷史數(shù)據(jù)
這篇文章主要介紹了Python數(shù)據(jù)分析之彩票的歷史數(shù)據(jù),文中有非常詳細(xì)的代碼示例,對(duì)正在學(xué)習(xí)python的小伙伴們有非常好的幫助,需要的朋友可以參考下2021-04-04
Elasticsearches的集群搭建及數(shù)據(jù)分片過(guò)程詳解
這篇文章主要為大家介紹了Elasticsearches的集群搭建及數(shù)據(jù)分片過(guò)程詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪2022-04-04
Python使用JSON庫(kù)解析JSON數(shù)據(jù)的方法
這篇文章主要介紹了Python使用JSON庫(kù)解析JSON數(shù)據(jù),主要包括如何在網(wǎng)頁(yè)中獲取json數(shù)據(jù)及python內(nèi)置的json庫(kù)，本文給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2022-06-06
這篇文章主要介紹了Python程序與C程序的結(jié)合使用,包括Python程序如何利用C程序的dll外鏈等等,來(lái)自IBM官網(wǎng)的技術(shù)文檔,需要的朋友可以參考下2015-04-04